🧬 biology

NatCodon: protein-structure-informed de novo codon sequence design for efficient protein expression

NatCodon은 단백질 구조 정보를 활용하여 번역 후 폴딩(co-translational folding)을 최적화하도록 코돈 서열을 설계하는 생성 모델로, 희귀 코돈을 전략적으로 배치함으로써 수용성 단백질 수율을 높이고 기존에 발현이 어려웠던 표적들을 발현 가능하게 함으로써 기존의 빈도 기반 방식들을 크게 능가합니다.

원저자: Sheng Ye, Yujie Qin, Shen Ge, Kaiyue Wang, Mengchen Pu, Zilin Lyu, Zibo Cui, Fenghui Shi

게시일 2026-07-08

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sheng Ye, Yujie Qin, Shen Ge, Kaiyue Wang, Mengchen Pu, Zilin Lyu, Zibo Cui, Fenghui Shi

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

문제점: 너무 빠른 조립 라인

복잡한 기계(단백질)를 만드는 공장을 상상해 보세요. 이 공장은 일련의 지시 사항(DNA)을 바탕으로 작동합니다. 이 공장의 지시 사항은 하나의 의미(코돈)를 표현하는 데 여러 가지 다른 단어들을 사용할 수 있는 코드로 작성되어 있습니다.

수십 년 동안 과학자들은 이 기계들을 더 빠르게 만들기 위해, 공장의 언어에서 가장 "빠르고" 흔하게 쓰이는 단어들만을 사용하도록 지시 사항을 다시 쓰는 시도를 해왔습니다. 그들은 "가장 인기 있는 단어들을 사용하면 기계가 제품을 최대한 빠르게 만들어낼 것"이라고 생각했습니다.

함정: 복잡한 기계를 만드는 것은 단순히 속도에 관한 문제가 아닙니다. 그것은 '리듬'에 관한 문제입니다. 만약 조립 라인이 너무 빠르게 움직이면, 작업자(리보솜)가 다음 부품이 도착하기 전에 부품을 올바르게 접을(folding) 시간을 갖지 못하게 됩니다. 그 결과는 무엇일까요? 기계가 망가지거나, 걸리거나, 혹은 쓸모없는 고철 더미(잘못 접힌 단백질)가 되어 버립니다.

기존의 방식들은 휴식의 필요성을 무시한 채 오로지 속도에만 집착하는 관리자와 같습니다. 그 결과 제품은 망가지고 맙니다.

해결책: NatCodon ("리듬의 마스터")

베이항 대학교(Beihang University)와 dProtein Biotechnologies의 연구진은 NatCodon이라는 새로운 AI 도구를 개발했습니다. NatCodon은 단순히 가장 빠른 단어를 찾는 대신, 만들어지고 있는 기계의 **모양(structure)**을 살펴봅니다.

이것은 마치 오케스트라를 지휘하는 지휘자와 같습니다:

기존 방식: 모든 연주자에게 가능한 한 크고 빠르게 연주하라고 명령합니다. 그 결과는 혼란스럽고 시끄러운 소음뿐입니다.
NatCodon: 음악의 어떤 구간(복잡한 단백질 접힘)은 느리고 신중하게 연주되어야 하며, 다른 구간(안정적인 부분)은 빠르게 연주될 수 있다는 것을 알고 있습니다. NatCodon은 단백질이 스스로 올바르게 접힐 수 있도록 멈춰야 하는 정확한 순간에 전략적으로 "느린 단어(희귀 코돈)"를 삽입합니다.

작동 원리: "구조 인식형" 번역기

비밀 코드 학습: 이 AI는 45,000개 이상의 천연 박테리아 단백질을 학습했습니다. 이를 통해 AI는 자연이 사용하는 숨겨진 "문법"을 배웠습니다. 즉, 특정 단백질 모양에는 번역 과정에서의 특정 멈춤이 필요하다는 규칙을 배운 것입니다.
"코돈 게이트(Codon Gate)": AI가 실수를 하지 않도록 안전 필터를 갖추고 있습니다. 이 필터는 속도를 조절하기 위해 단어를 바꾸더라도, 최종적인 의미(아미노산 서열)는 정확히 동일하게 유지되도록 보장합니다. 이는 이야기의 내용은 바꾸지 않으면서 읽는 '속도'만 바꾸기 위해 문장을 다시 쓰는 것과 같습니다.
"집중도" 다이얼: 이 도구는 과학자들이 AI가 얼마나 "창의적"으로 작동할지 조절할 수 있게 해줍니다. 매우 엄격하고 예측 가능한 서열을 선택하거나, 어느 정도의 다양성을 허용하도록 설정하여 최종 디자인을 제어할 수 있습니다.

결과: "만들 수 없는 것"의 구출

연구팀은 실험실에서 만들기가 매우 까다롭기로 유명한 몇몇 단백질들을 대상으로 NatCodon을 테스트했습니다.

"불가능한" 단백질: SMURF1HECT라고 불리는 한 단백질은 유령 같았습니다. 기존 방식으로는 전혀 만들어내지 못했기 때문입니다. 하지만 NatCodon은 단순히 만들어내는 것에 그치지 않고, 건강한 양(0.57–0.61 mg/ml)을 생산해 냈습니다.
성능 향상: 다른 까다로운 단백질들의 경우, NatCodon은 기존의 가장 우수한 상용 도구들과 비교했을 때 사용 가능한 작동하는 단백질의 양을 2배에서 33배까지 증가시켰습니다.
품질 관리: 단순히 더 많은 단백질을 만드는 것이 아니라, 더 나은 단백질을 만드는 것입니다. NatCodon이 만든 단백질은 실제로 작동(테스트에서 빛을 내거나 밝게 빛남)했으며, 이는 단백질이 올바르게 접혔음을 증명합니다.

새로운 성적표: NCI

오랫동안 과학자들은 DNA 서열이 좋은지를 판단하기 위해 CAI라는 점수를 사용해 왔습니다. 이 점수는 기본적으로 "얼마나 많은 인기 있는 단어를 사용했는가?"를 묻습니다. 논문은 이것이 요리 시간은 무시한 채 소금을 얼마나 많이 넣었는지만으로 레시피를 평가하는 것과 같다고 주장합니다.

저자들은 **NatCodon Index (NCI)**라는 새로운 점수를 도입했습니다.

비유: CAI가 "당신은 얼마나 빨리 달릴 수 있습니까?"라고 묻는다면, NCI는 "당신은 지형에 맞는 적절한 속도로 달렸습니까?"라고 묻습니다.
결과: NCI는 단백질이 실제로 작동할지, 그리고 대량으로 생산될지를 예측하는 데 훨씬 더 뛰어납니다. NCI는 DNA 지시 사항이 단백질의 물리적 형태 요구 사항과 얼마나 잘 일치하는지를 측정합니다.

요약

NatCodon은 단백질을 만들기 위한 DNA 지시 사항을 설계하는 새로운 AI입니다. 단순히 지시 사항을 "빠르게" 만드는 대신, 적절한 리듬을 갖추도록 설계합니다. 단백질의 3D 구조를 파악함으로써, 단백질이 올바르게 접힐 수 있도록 조립 라인을 멈춰야 하는 정확한 지점을 알아냅니다. 이를 통해 과학자들은 까다롭고 이전에는 "만들 수 없었던" 단백질들을 효율적으로 생산할 수 있으며, 의학과 산업 분야의 새로운 가능성을 열어줍니다.

이 도구는 누구나 자유롭게 사용할 수 있도록 공개되어 있으며, 이는 "빠른 것이 좋다"에서 "리듬이 맞아야 한다"로의 패러다임 전환을 의미합니다.

기술 요약: NatCodon – 단백질 구조 정보 기반의 De Novo 코돈 서열 설계

1. 문제 정의

유전 정보가 기능적 단백질로 번역되는 것은 리보솜 신장 역학(ribosomal elongation kinetics)과 갓 생성된 폴리펩타이드의 접힘(folding)이 불가분하게 결합된 공번역(co-translational) 과정이다. 현재의 코돈 최적화 전략은 주로 번역 신장 속도를 가속화하기 위해 빈도 기반 휴리스틱(예: 코돈 적응 지수[CAI] 또는 tRNA 적응 지수[tAI] 극대화)에 의존한다. 이러한 접근 방식은 번역 속도를 단백질의 특정 접힘 요구 사항으로부터 분리시켜, 결과적으로 오접힘(misfolding), 봉입체(inclusion body) 형성, 그리고 이종 숙주에서의 낮은 수용성 수율을 초래한다. 이러한 한계는 AI 기반의 de novo 단백질 설계 시대에 더욱 심화되는데, 새로운 단백질 서열은 진화적 조상이나 고유한 코딩 템플릿이 없기 때문에 전통적인 "룩업 테이블(look-up table)" 방식의 최적화로는 불충분하기 때문이다. 기존의 딥러닝 기반 코돈 설계 모델들은 대부분 이 문제를 서열 대 서열 매핑 작업으로 취급하여 결정적인 구조 정보를 버리고, 공번역 접힘(co-translational folding, CTF)을 조절하는 번역 리듬의 역할을 간과한다.

2. 방법론

저자들은 NatCodon을 소개하며, 이를 코돈 설계를 구조 정보 기반의 역학적 문제로 재정의한다. 이 방법론은 멀티오믹스 데이터(유전체 서열, 단백질체 맥락, 단백질 구조)를 통합하여 자연적 번역 시스템에 내재된 "구조-코돈 문법(structure-codon grammar)"을 학습한다.

데이터 큐레이션: 모델은 45,126개의 박테리아 게놈-단백질체-구조 삼중항(triplets)으로 구성된 비중복 데이터셋을 통해 학습되었다. 단백질 이차 구조는 DSSP 알고리즘을 사용하여 9개의 구조적 토큰(예: $\alpha$ -헬릭스, $\beta$ -브릿지, 유연한 루프)으로 이산화되었다.
아키텍처: NatCodon은 LLaMA 프레임워크에서 영감을 받은 디코더 전용 트랜스포머(decoder-only Transformer) 아키텍처를 채택하였다. 이는 아미노산 서열과 이산적 구조 토큰을 하나의 통합된 표현으로 공동 인코딩하며, 장거리 의존성을 포착하기 위해 회전 위치 임베딩(Rotary Positional Embeddings, RoPE)을 활용한다.
생물학적 제약이 있는 디코딩:
- 코돈 게이트(Codon Gate): 하드 마스크 모듈은 각 위치에서 비동의(non-synonymous) 코돈을 필터링함으로써 엄격한 번역 충실도를 보장하고, 생성된 서열이 정확한 아미노산 서열로 번역되도록 보장한다.
- 포커스 제어 샘플링(Focus-Controlled Sampling): 조절 가능한 파라미터( $\phi$ )는 확률 분포의 선명도(sharpness)를 조절하여, 결정론적 최적화와 서열 다양성 사이의 균형을 맞춘다.
학습 목표: 모델은 음의 로그 가능도(NLL), 코돈 불균형을 교정하기 위한 빈도 가중치 적용 교차 엔트로피, 그리고 일반화 성능을 높이기 위한 엔트로피 기반 스무딩 손실(smoothing loss)을 결합한 복합 손실 함수를 최소화한다.
평가 지표 (NCI): 저자들은 코돈 사용과 구조적 맥락 사이의 일치도를 정량화하는 구조 인식 지표인 **NatCodon 지수(NCI)**를 도입하였다. 이는 구조별 적응 계수와 옌센-샤논 발산(Jensen-Shannon divergence)을 통합하여, 고유한 구조-코돈 패턴과의 정렬 정도를 측정한다.

3. 주요 기여

구조 정보 기반 생성 모델: NatCodon은 빈도 기반 휴리스틱을 넘어, 단백질 구조의 국소적 맥락을 코돈 서열 설계의 생성 과정에 명시적으로 통합한 최초의 모델이다.
구조-코돈 문법 해독: 본 연구는 동의(synonymous) 코돈 사용이 어떻게 구조적 요구 사항에 맞춰 조정되는지에 대한 경험적 증거와 메커니즘적 통찰을 제공한다. 특히, 적절한 접힘을 위해 리보솜 정지(pausing)를 유도하고자 덜 빈번한 코돈이 구조적으로 민감한 부위(예: 도메인 경계, 유연한 루프)에 전략적으로 배치된다는 점을 확인하였다.
새로운 지표 (NCI): NCI의 개발은 일반화 가능한 환경에서 전통적인 지표(CAI, tAI)나 지도 학습 기반 AI 예측기(Encodon)보다 우수한, 기능적 단백질 수율을 예측할 수 있는 도구를 제공한다.
실험적 검증: 이 프레임워크는 발현이 어려운 타겟들을 포함한 다양한 이종 단백질 패널을 통해 검증되었으며, 수용성 단백질 생산량에서 유의미한 개선을 입증하였다.

4. 결과

교차 종 벤치마킹: E. coli, 인간, 식물 및 바이러스 단백질을 아우르는 데이터셋에서 NatCodon은 경쟁 모델(CodonTransformer, ICOR)보다 뛰어난 성능을 보였다. 모델은 번역 역학의 편차를 96.5~97.5% 감소시켰으며, 구조 조건부 코돈 편차(SCCD)를 10배 더 낮게 달성하여 고유한 코딩 아키텍처를 탁월하게 보존함을 보여주었다.
실험적 성능: E. coli 발현 실험에서 NatCodano로 설계된 서열은 GeneOptimizer(OP)로 최적화된 서열에 비해 수용성 단백질을 2배에서 33배까지 향상시켰다.
- SMURF1HECT: OP로는 검출 가능한 수용성 단백질을 전혀 생성하지 못했던 난제 단백질이었으나, NatCodon을 통해 0.57–0.61 mg·ml⁻¹의 수율을 기록했다.
- 기타 타겟: DHOase, Luciferase, GFP, HPPD에서도 유의미한 개선이 관찰되었다.
메커니즘적 통찰:
- 설명 가능한 AI (XAI): SHAP 및 Integrated Gradients 분석 결과, NatCodon은 구조적 특징과 아미노산 정체성에 거의 동일한 가중치를 부여함을 밝혔다. 모델은 강직한 구조적 핵심부에는 높은 tAI 코돈을, 유연한 루프 및 도메인 경계에는 낮은 tAI 코돈을 선택적으로 배치하여 필요한 번역 정지를 생성한다.
- 돌연변이 유발 실험: NatCodon으로 설계된 DHOase의 역돌연변이(reverse mutagenesis) 실험을 통해, 루프 영역에서 번역 속도를 높이면 수율이 감소하는 반면, $\alpha$ -헬릭스에서 속도를 높이면 수율이 증가함을 확인하였으며, 이는 모델의 역학적 안무(kinetic choreography)를 입증한다.
- 번역 램프(Translational Ramp): NatCodon은 다른 최적화 방법에서 흔히 소실되는 특징인 천연 5'-말단의 "번역 램프"(초기 느린 코돈 구간)를 성공적으로 재현하였다.
NCI의 예측력: NCI는 여러 단백질 라이브러리에 걸쳐 실험적 수용성 수율 및 기능적 출력(발광/형광)과 가장 높은 상관관계를 보였으며, 일반화 가능한 시나리오에서 CAI, tAI, Encodon을 능가하였다.
AI 구조와의 호환성: 본 프레임워크는 AlphaFold3로 예측된 구조를 사용할 때도 견고함을 유지하며, 실험적 구조에 기반한 설계와 높은 서열 유사성 및 지표 일치성을 유지한다.

5. 의의 및 주장

본 논문은 NatCodon이 빈도 기반 휴리스틱을 초월함으로써 프로그래밍 가능한 단백질 발현을 위한 원칙적인 토대를 구축했다고 주장한다. 구조적 제약을 서열 생성 과정에 직접 내재시킴으로써, 모델은 공번역 접힘 요구 사항과 일치하도록 번역 역학을 조율한다. 이러한 접근 방식은 과거에 발현 불가능하다고 여겨졌던 de novo AI 설계 서열을 포함하여, 치료 및 산업적으로 중요한 타겟의 생산을 가능하게 한다. 저자들은 Nat-Codon-NCI 프레임워크가 단순히 번역 신장 속도를 극대화하는 것에서 "역학적 안무(kinetic choreography)"로 패러다임을 전환하며, 진화적 템플릿이 없는 상황에서 단백질 서열으로부터 핵산 서열으로 흐르는 역방향 정보 흐름에 대한 일반화 가능한 솔루션을 제공한다고 주장한다. 복잡한 단백질 생산을 촉진하기 위해 해당 도구들은 커뮤니티에 무료로 공개된다.